論文の概要: Predicting Flight Delay with Spatio-Temporal Trajectory Convolutional Network and Airport Situational Awareness Map

• arxiv url: http://arxiv.org/abs/2105.08969v1
• Date: Wed, 19 May 2021 07:38:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-20 13:57:11.484293
• Title: Predicting Flight Delay with Spatio-Temporal Trajectory Convolutional Network and Airport Situational Awareness Map
• Title（参考訳）: 時空間軌道畳み込みネットワークと空港状況認識マップによる飛行遅延予測
• Authors: Wei Shao, Arian Prabowo, Sichen Zhao, Piotr Koniusz, Flora D. Salim
• Abstract要約: 空港に適用可能な高い予測精度を実現するためのビジョンベースソリューションを提案する。 本稿では,状況認識マップから空間的情報と時間的情報の両方をキャプチャする,エンドツーエンドのディープラーニングアーキテクチャであるTrajCNNを提案する。 提案手法は,ロサンゼルス国際空港での発着遅延の予測に有効である(約18分遅れ)。
• 参考スコア（独自算出の注目度）: 20.579487904188802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To model and forecast flight delays accurately, it is crucial to harness various vehicle trajectory and contextual sensor data on airport tarmac areas. These heterogeneous sensor data, if modelled correctly, can be used to generate a situational awareness map. Existing techniques apply traditional supervised learning methods onto historical data, contextual features and route information among different airports to predict flight delay are inaccurate and only predict arrival delay but not departure delay, which is essential to airlines. In this paper, we propose a vision-based solution to achieve a high forecasting accuracy, applicable to the airport. Our solution leverages a snapshot of the airport situational awareness map, which contains various trajectories of aircraft and contextual features such as weather and airline schedules. We propose an end-to-end deep learning architecture, TrajCNN, which captures both the spatial and temporal information from the situational awareness map. Additionally, we reveal that the situational awareness map of the airport has a vital impact on estimating flight departure delay. Our proposed framework obtained a good result (around 18 minutes error) for predicting flight departure delay at Los Angeles International Airport.
• Abstract（参考訳）: 飛行遅延を正確にモデル化し,予測するためには,空港のターマックエリアにおける様々な車両軌道およびコンテキストセンサデータを活用することが重要である。 これらの異種センサデータは、正しくモデル化された場合、状況認識マップを生成するために使用できる。 既存の手法では、従来の教師付き学習手法を歴史データ、状況情報、空港間の経路情報に適用し、フライト遅延の予測は不正確であり、到着遅延は予測するが、出発遅延は予測しない。 本稿では,空港に適用可能な高い予測精度を実現するためのビジョンベースソリューションを提案する。 提案手法では,空港状況認識マップのスナップショットを活用し,航空機の様々な軌跡や,気象や航空会社のスケジュールなどの状況情報を含む。 本稿では,状況認識マップから空間情報と時間情報の両方を取り込む,エンドツーエンドのディープラーニングアーキテクチャであるtrajcnnを提案する。 さらに,空港の状況認識マップは,発車遅延の推定に重要な影響を与えることを明らかにした。 提案手法は,ロサンゼルス国際空港の出発遅延を予測するためのよい結果(約18分誤差)を得た。

関連論文リスト

• Airport Delay Prediction with Temporal Fusion Transformers [24.280246809961945]
  本研究は,米国最上位30空港において,新しい時空核融合変圧器モデルを適用し,第4四半期の空港到着遅延を予測することを提案する。 我々のモデルには、空港の需要と容量予測、歴史的な空港の運転効率情報、空港の風と可視性、さらには気象や交通条件などが含まれる。
  論文  参考訳（メタデータ） (2024-05-14T03:27:15Z)
• Aircraft Landing Time Prediction with Deep Learning on Trajectory Images [18.536109188450876]
  本研究では、終端空域(TMA)をカバーする研究空域に突入する航空機のALTを予測するために、軌道画像に基づく深層学習手法を提案する。 軌道画像には航空機の位置、速度、進路、相対距離、到着する交通の流れなど様々な情報が含まれている。 また,軌道データから得られた実時間滑走路の利用状況と,航空機の種類や気象条件などの外部情報を付加入力として利用する。
  論文  参考訳（メタデータ） (2024-01-02T07:56:05Z)
• Alexa, Predict My Flight Delay [0.0]
  本研究は、米国内における国内便のデータ分析による飛行遅延予測システムの開発である。 提案モデルでは, フライト遅延とキャンセルの原因と, 出発と到着の遅延の関連について検討した。
  論文  参考訳（メタデータ） (2022-08-21T17:01:48Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• Phased Flight Trajectory Prediction with Deep Learning [8.898269198985576]
  過去10年間で民間航空会社や民間機が前例のない増加を遂げたことは、航空交通管理の課題となっている。 正確な飛行軌跡予測は、安全かつ秩序ある飛行の決定に寄与する航空輸送管理において非常に重要である。 本研究では,大型旅客・輸送航空機の飛行軌道予測における最先端手法よりも優れた位相付き飛行軌道予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-17T02:16:02Z)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Spatio-Temporal Data Mining for Aviation Delay Prediction [15.621546618044173]
  本研究では,商業飛行における長期記憶ネットワーク(LSTM)に基づく航空機遅延予測システムを提案する。 このシステムは、自動監視放送(ADS-B)メッセージから歴史的軌跡から学習する。 従来と比べ,大規模なハブ空港ではより堅牢で正確であることが実証された。
  論文  参考訳（メタデータ） (2021-03-20T18:37:06Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
  本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。 自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
  論文  参考訳（メタデータ） (2020-10-02T00:13:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。